Amazon SageMaker جغرافیائی صلاحیتوں کے ساتھ ایک زرعی ڈیٹا پلیٹ فارم بنائیں

جغرافیائی سیاسی تنازعات، سپلائی چین میں رکاوٹوں اور موسمیاتی تبدیلیوں کے نتیجے میں دنیا کو خوراک کی عالمی قلت کا خطرہ بڑھ رہا ہے۔ اس کے ساتھ ہی، آبادی میں اضافے اور غذائیت اور پروٹین سے بھرپور خوراک پر توجہ مرکوز کرنے والی خوراک کی تبدیلی سے مجموعی مانگ میں اضافہ ہوا ہے۔ اضافی مانگ کو پورا کرنے کے لیے، کسانوں کو فصل کی پیداوار کو زیادہ سے زیادہ کرنے کی ضرورت ہے اور آگے رہنے کے لیے درست فارمنگ ٹیکنالوجی کا استعمال کرتے ہوئے پیمانے پر کاموں کا مؤثر طریقے سے انتظام کرنا ہوگا۔

تاریخی طور پر، کسانوں نے فیصلے کرنے کے لیے موروثی علم، آزمائش اور غلطی، اور غیر نسخہ زرعی مشورے پر انحصار کیا ہے۔ کلیدی فیصلوں میں یہ شامل ہیں کہ کون سی فصل لگانی ہے، کتنی کھاد ڈالنی ہے، کیڑوں کو کیسے کنٹرول کرنا ہے، اور کب کٹائی کرنی ہے۔ تاہم، خوراک کی بڑھتی ہوئی طلب اور فصل کی پیداوار کو زیادہ سے زیادہ کرنے کی ضرورت کے ساتھ، کسانوں کو وراثت میں ملنے والے علم کے علاوہ مزید معلومات کی ضرورت ہے۔ ریموٹ سینسنگ، IoT، اور روبوٹکس جیسی اختراعی ٹیکنالوجیز کاشتکاروں کو وراثتی فیصلہ سازی کو آگے بڑھانے میں مدد کرنے کی صلاحیت ہے۔ اعداد و شمار سے چلنے والے فیصلے قریب قریب حقیقی وقت کی بصیرت کے ذریعہ کسانوں کو خوراک کی بڑھتی ہوئی طلب کے فرق کو ختم کرنے کے قابل بنا سکتے ہیں۔

اگرچہ کسان روایتی طور پر آلات اور پیداوار کے ڈیٹا کو ریکارڈ کرکے یا فیلڈ مشاہدات کے نوٹ لے کر اپنے آپریشنز سے دستی طور پر ڈیٹا اکٹھا کرتے ہیں، لیکن AWS پر زرعی ڈیٹا پلیٹ فارم بنانے والے کسانوں کو ان کے قابل اعتماد زرعی مشیروں کے ساتھ اس ڈیٹا کو بڑے پیمانے پر استعمال کرنے میں مدد کرتے ہیں۔ چھوٹے کھیت اور آپریشن زیادہ آسانی سے ایک کسان کو فصل کو متاثر کرنے والے مسائل کی تلاش کے لیے پورا کھیت دیکھنے کی اجازت دیتے ہیں۔ تاہم، بڑے کھیتوں اور کھیتوں کے لیے متواتر بنیادوں پر ہر ایک فیلڈ کو تلاش کرنا ممکن نہیں ہے، اور کامیاب خطرے کی تخفیف کے لیے ایک مربوط زرعی ڈیٹا پلیٹ فارم کی ضرورت ہوتی ہے جو بڑے پیمانے پر بصیرت لا سکے۔ یہ پلیٹ فارم کسانوں کو تصور اور تجزیاتی ایپلی کیشنز میں استعمال کے لیے متعدد ذرائع سے معلومات کو یکجا کر کے اپنے ڈیٹا کو سمجھنے میں مدد کرتے ہیں۔ جغرافیائی اعداد و شمار، بشمول سیٹلائٹ امیجری، مٹی کا ڈیٹا، موسم، اور ٹپوگرافی ڈیٹا، کو پودے لگانے، غذائی اجزاء کے استعمال اور فصل کی کٹائی کے دوران زرعی آلات کے ذریعے جمع کیے گئے ڈیٹا کے ساتھ تہہ کیا جاتا ہے۔ بہتر جغرافیائی اعداد و شمار کے تجزیات، جدید ڈیٹا ویژولائزیشنز، اور AWS ٹیکنالوجی کے ذریعے ورک فلو کے آٹومیشن کے ذریعے بصیرت کو کھول کر، کسان اپنے کھیتوں اور فصلوں کے مخصوص علاقوں کی نشاندہی کر سکتے ہیں جو کسی مسئلے کا سامنا کر رہے ہیں اور اپنی فصلوں اور کاموں کی حفاظت کے لیے کارروائی کر سکتے ہیں۔ یہ بروقت بصیرت کسانوں کو ان کے قابل اعتماد ماہرین زراعت کے ساتھ بہتر طور پر کام کرنے میں مدد کرتی ہے تاکہ زیادہ پیداوار حاصل کی جا سکے، ان کے ماحولیاتی اثرات کو کم کیا جا سکے، اپنے منافع کو بہتر بنایا جا سکے، اور اپنی زمین کو آنے والی نسلوں کے لیے پیداواری بنایا جا سکے۔

اس پوسٹ میں، ہم دیکھتے ہیں کہ آپ کس طرح سے پیدا ہونے والی پیشین گوئیوں کو استعمال کر سکتے ہیں۔ ایمیزون سیج میکر کی جغرافیائی صلاحیتیں۔ زرعی ڈیٹا پلیٹ فارم کے صارف انٹرفیس میں۔ مزید برآں، ہم اس بات پر تبادلہ خیال کرتے ہیں کہ کس طرح سافٹ ویئر ڈویلپمنٹ ٹیمیں جدید مشین لرننگ (ML) سے چلنے والی بصیرتیں شامل کر رہی ہیں، بشمول ریموٹ سینسنگ الگورتھم، کلاؤڈ ماسکنگ (سیٹیلائٹ امیجری میں بادلوں کا خود بخود پتہ لگانا) اور خودکار امیج پروسیسنگ پائپ لائنز، اپنے زرعی ڈیٹا پلیٹ فارمز میں۔ ایک ساتھ، یہ اضافہ ماہرین زراعت، سافٹ ویئر ڈویلپرز، ایم ایل انجینئرز، ڈیٹا سائنسدانوں، اور ریموٹ سینسنگ ٹیموں کو کسانوں کو قابل توسیع، قابل قدر فیصلہ سازی کے معاون نظام فراہم کرنے میں مدد کرتے ہیں۔ یہ پوسٹ ایک مثال بھی فراہم کرتی ہے اینڈ ٹو اینڈ نوٹ بک اور GitHub ذخیرہ جو SageMaker جغرافیائی صلاحیتوں کو ظاہر کرتا ہے، بشمول ML-based farm field segmentation اور زراعت کے لیے پہلے سے تربیت یافتہ geospatial ماڈل۔

زرعی ڈیٹا پلیٹ فارمز میں جغرافیائی بصیرت اور پیشین گوئیاں شامل کرنا

سیٹلائٹ امیجری کے ساتھ مل کر ریاضیاتی اور زرعی ماڈلز سیٹلائٹ امیج، پکسل بہ پکسل، وقت کے ساتھ ساتھ فصل کی صحت اور حالت کو دیکھنے کے قابل بناتے ہیں۔ تاہم، ان قائم کردہ ماڈلز کو سیٹلائٹ کی تصویروں تک رسائی کی ضرورت ہوتی ہے جو بادلوں یا دیگر ماحولیاتی مداخلت کی وجہ سے رکاوٹ نہیں ہوتی جو تصویر کے معیار کو کم کرتی ہے۔ ہر پروسیس شدہ تصویر سے بادلوں کی شناخت اور ہٹائے بغیر، پیشین گوئیوں اور بصیرت میں نمایاں غلطیاں ہوں گی اور زرعی ڈیٹا پلیٹ فارم کسان کا اعتماد کھو دیں گے۔ چونکہ زرعی ڈیٹا پلیٹ فارم فراہم کرنے والے عام طور پر مختلف جغرافیوں میں ہزاروں فارم فیلڈز پر مشتمل صارفین کی خدمت کرتے ہیں، زرعی ڈیٹا پلیٹ فارمز کو مزید پروسیسنگ یا تجزیات فراہم کرنے سے پہلے ہر سیٹلائٹ امیج کے اندر بادلوں یا دیگر ماحولیاتی مسائل کا تجزیہ کرنے، شناخت کرنے اور فلٹر کرنے کے لیے کمپیوٹر وژن اور ایک خودکار نظام کی ضرورت ہوتی ہے۔ گاہکوں کو.

ML کمپیوٹر وژن ماڈلز کو تیار کرنا، جانچنا، اور بہتر بنانا جو سیٹلائٹ امیجری میں بادلوں اور ماحول کے مسائل کا پتہ لگاتے ہیں، زرعی ڈیٹا پلیٹ فارم بنانے والوں کے لیے چیلنجز پیش کرتے ہیں۔ سب سے پہلے، سیٹلائٹ کی تصویر کشی کرنے کے لیے ڈیٹا پائپ لائنز بنانے کے لیے وقت، سافٹ ویئر ڈویلپمنٹ کے وسائل، اور IT انفراسٹرکچر کی ضرورت ہوتی ہے۔ ہر سیٹلائٹ امیجری فراہم کرنے والا ایک دوسرے سے بہت مختلف ہو سکتا ہے۔ سیٹلائٹ اکثر مختلف مقامی ریزولوشنز پر تصاویر جمع کرتے ہیں۔ ریزولوشنز کئی میٹر فی پکسل سے لے کر سنٹی میٹر فی پکسل میں ماپا جانے والی بہت زیادہ ریزولوشن امیجری تک ہو سکتی ہیں۔ مزید برآں، ہر سیٹلائٹ مختلف ملٹی اسپیکٹرل بینڈ کے ساتھ تصاویر جمع کر سکتا ہے۔ کچھ بینڈز کا اچھی طرح سے تجربہ کیا گیا ہے اور پودوں کی نشوونما اور صحت کے اشارے کے ساتھ مضبوط تعلق ظاہر کرتے ہیں، اور دیگر بینڈز زراعت کے لیے غیر متعلقہ ہو سکتے ہیں۔ سیٹلائٹ برج مختلف شرحوں پر زمین پر ایک ہی جگہ پر دوبارہ نظر آتے ہیں۔ چھوٹے برج ہر ہفتے یا اس سے زیادہ ایک فیلڈ کا دوبارہ دورہ کر سکتے ہیں، اور بڑے برج ایک ہی علاقے کو دن میں کئی بار دوبارہ دیکھ سکتے ہیں۔ سیٹلائٹ امیجز اور فریکوئنسی میں یہ فرق بھی API کی صلاحیتوں اور خصوصیات میں فرق کا باعث بنتے ہیں۔ مشترکہ طور پر، ان اختلافات کا مطلب ہے کہ زرعی ڈیٹا پلیٹ فارمز کو پیچیدہ ادخال کے طریقوں کے ساتھ متعدد ڈیٹا پائپ لائنوں کو برقرار رکھنے کی ضرورت پڑ سکتی ہے۔

دوسرا، منظر کشی کے بعد اور ریموٹ سینسنگ ٹیموں، ڈیٹا سائنسدانوں، اور ماہرین زراعت کو دستیاب کرائے جانے کے بعد، ان ٹیموں کو ہر تصویر کے اندر ہر علاقے کو ابر آلود کے طور پر رسائی، پروسیسنگ، اور لیبل لگانے کے ایک وقت طلب عمل میں مشغول ہونا چاہیے۔ مختلف جغرافیوں میں پھیلے ہوئے ہزاروں فیلڈز، اور فی فیلڈ متعدد سیٹلائٹ امیجز کے ساتھ، لیبلنگ کے عمل میں کافی وقت لگ سکتا ہے اور اسے کاروبار کی توسیع، نئے کسٹمر فیلڈز، یا تصویر کے نئے ذرائع کے حساب سے مسلسل تربیت دی جانی چاہیے۔

سینٹینیل سیٹلائٹ امیجری اور ایم ایل کے ڈیٹا تک مربوط رسائی

ریموٹ سینسنگ ایم ایل ماڈل کی ترقی کے لیے سیج میکر کی جغرافیائی صلاحیتوں کا استعمال کرتے ہوئے، اور سیٹلائٹ کی تصاویر کو استعمال کرکے AWS ڈیٹا ایکسچینج عوام کے لیے آسانی سے دستیاب ہے۔ ایمیزون سادہ اسٹوریج سروس (Amazon S3) بالٹی، AWS پر زرعی ڈیٹا پلیٹ فارم بنانے والے اپنے اہداف کو تیزی سے اور آسانی سے حاصل کر سکتے ہیں۔ آپ کی S3 بالٹی میں ہمیشہ سینٹینیل-1 اور سینٹینیل-2 کی سب سے تازہ ترین سیٹلائٹ امیجری ہوتی ہے کیونکہ اوپن ڈیٹا ایکسچینج اور ایمیزون پائیداری ڈیٹا انیشی ایٹو آپ کو سیٹلائٹ امیجری تک خودکار بلٹ ان رسائی فراہم کرتا ہے۔

مندرجہ ذیل خاکہ اس فن تعمیر کو واضح کرتا ہے۔

SageMaker جغرافیائی صلاحیتوں میں پہلے سے تربیت یافتہ گہرے نیورل نیٹ ورک کے ماڈلز شامل ہیں جیسے کہ زمین کے استعمال کی درجہ بندی اور کلاؤڈ ماسکنگ، جغرافیائی اعداد و شمار کے ایک مربوط کیٹلاگ کے ساتھ، بشمول سیٹلائٹ امیجری، نقشے، اور AWS اور فریق ثالث کے مقام کا ڈیٹا۔ ایک مربوط جغرافیائی ڈیٹا کیٹلاگ کے ساتھ، SageMaker جغرافیائی صارفین کو سیٹلائٹ امیجری اور دیگر جغرافیائی ڈیٹاسیٹس تک آسانی سے رسائی حاصل ہوتی ہے جو پیچیدہ ڈیٹا انجیکشن پائپ لائنوں کو تیار کرنے کے بوجھ کو دور کرتے ہیں۔ یہ مربوط ڈیٹا کیٹلاگ آپ کے اپنے ماڈل کی تعمیر اور بڑے پیمانے پر جغرافیائی ڈیٹاسیٹس کی پروسیسنگ اور افزودگی کو تیز کر سکتا ہے جس میں مقصد سے بنائے گئے آپریشنز جیسے کہ وقت کے اعدادوشمار، دوبارہ نمونہ سازی، موزیکنگ، اور ریورس جیو کوڈنگ۔ Amazon S3 سے آسانی سے تصویروں کو ہضم کرنے اور SageMaker geospatial پہلے سے تربیت یافتہ ML ماڈلز کا استعمال کرنے کی صلاحیت جو بادلوں کی خود بخود شناخت کرتے ہیں اور ہر سینٹینیل-2 سیٹلائٹ امیج کو اسکور کرتے ہیں، ریموٹ سینسنگ، ایگرانومی، اور ڈیٹا سائنس کی ٹیموں کو ادغام کرنے، عمل کرنے، اور کرنے کے لیے مشغول کرنے کی ضرورت کو دور کرتی ہے۔ ابر آلود علاقوں کے ساتھ ہزاروں سیٹلائٹ تصاویر کو دستی طور پر لیبل کریں۔

SageMaker جغرافیائی صلاحیتیں دلچسپی کے علاقے (AOI) اور دلچسپی کے وقت (TOI) کی وضاحت کرنے کی صلاحیت کی حمایت کرتی ہیں، جغرافیائی تقطیع کے ساتھ تصاویر کے لیے اوپن ڈیٹا ایکسچینج S3 بکٹ آرکائیو میں تلاش کریں جو درخواست کو پورا کرتی ہے، اور حقیقی رنگ کی تصاویر واپس کریں، نارملائزڈ ڈیفرنس ویجیٹیشن انڈیکس (NDVI)، بادل کا پتہ لگانے اور اسکور، اور زمین کا احاطہ۔ NDVI ایک عام انڈیکس ہے جو سیٹلائٹ امیجری کے ساتھ استعمال کیا جاتا ہے تاکہ فصلوں کی صحت کو سمجھنے کے لیے کلوروفیل کی مقدار اور فوٹو سنتھیٹک سرگرمی کی ایک نئی پروسیس شدہ اور کلر کوڈڈ امیج کے ذریعے پیمائش کی جا سکے۔

SageMaker جغرافیائی صلاحیتوں کے صارفین پہلے سے بنائے گئے NDVI انڈیکس کو استعمال کر سکتے ہیں یا اپنا تیار کر سکتے ہیں۔ SageMaker جغرافیائی صلاحیتیں ڈیٹا سائنسدانوں اور ML انجینئرز کے لیے جغرافیائی ڈیٹا کا استعمال کرتے ہوئے اور پہلے سے کم کوشش کے ساتھ ML ماڈلز کو تیزی سے اور بڑے پیمانے پر بنانا، تربیت اور تعینات کرنا آسان بناتی ہیں۔

کسانوں اور ماہرین زراعت کو کھیت اور گھر میں بصیرت تک تیز رسائی کی ضرورت ہے۔

کسانوں اور اسٹیک ہولڈرز کو فوری طور پر پروسیس شدہ تصویر اور بصیرت فراہم کرنا زرعی کاروبار اور میدان میں فیصلہ سازی کے لیے اہم ہے۔ وقت کی نازک صورت حال کے دوران ہر کھیت میں فصل کی خراب صحت کے علاقوں کی نشاندہی کرنا کسان کو کھاد، جڑی بوٹی مار ادویات اور کیڑے مار ادویات کا استعمال کر کے خطرات کو کم کرنے کی اجازت دیتا ہے، اور یہاں تک کہ فصل کے بیمہ کے ممکنہ دعووں کے علاقوں کی نشاندہی بھی کر سکتا ہے۔ زرعی ڈیٹا پلیٹ فارمز کے لیے ویب ایپلیکیشنز اور موبائل ایپلیکیشنز سمیت ایپلی کیشنز کا ایک مجموعہ شامل کرنا عام ہے۔ یہ ایپلیکیشنز بدیہی یوزر انٹرفیس فراہم کرتی ہیں جو کسانوں اور ان کے بھروسہ مند اسٹیک ہولڈرز کو گھر میں، دفتر میں، یا کھیت میں کھڑے ہوتے ہوئے ان کے ہر کھیتوں اور تصاویر کا محفوظ طریقے سے جائزہ لینے میں مدد کرتی ہیں۔ تاہم، ان ویب اور موبائل ایپلی کیشنز کو APIs کے ذریعے پروسیس شدہ تصویروں اور زرعی بصیرت کو استعمال کرنے اور تیزی سے ڈسپلے کرنے کی ضرورت ہے۔

ایمیزون API گیٹ وے ڈیولپرز کے لیے RESTful اور WebSocket APIs کو پیمانے پر بنانا، شائع کرنا، برقرار رکھنا، نگرانی کرنا اور محفوظ کرنا آسان بناتا ہے۔ کے ساتھ API گیٹ وے، API رسائی اور اجازت کے ساتھ مربوط ہے۔ AWS شناخت تک رسائی کا انتظام (IAM)، اور مقامی OIDC اور OAuth2 سپورٹ کے ساتھ ساتھ پیش کرتا ہے۔ ایمیزون کاگنیٹو. ایمیزون کاگنیٹو ایک سرمایہ کاری مؤثر کسٹمر شناخت اور رسائی کے انتظام (CIAM) سروس ہے جو فیڈریشن کے اختیارات کے ساتھ ایک محفوظ شناختی اسٹور کی حمایت کرتی ہے جو لاکھوں صارفین تک پہنچ سکتی ہے۔

خام، غیر پروسیس شدہ سیٹلائٹ تصویریں بہت بڑی ہو سکتی ہیں، بعض صورتوں میں سینکڑوں میگا بائٹس یا گیگا بائٹس فی تصویر۔ چونکہ دنیا کے بہت سے زرعی علاقوں میں سیلولر کنیکٹیویٹی ناقص ہے یا کوئی نہیں ہے، اس لیے یہ ضروری ہے کہ چھوٹے فارمیٹس میں اور ایسے طریقوں سے جو مطلوبہ بینڈوتھ کو محدود کر سکیں، تصویروں اور بصیرت کو پروسیس اور پیش کریں۔ لہذا، استعمال کرتے ہوئے او ڈبلیو ایس لامبڈا۔ ٹائل سرور کو تعینات کرنے کے لیے، چھوٹے سائز کے GeoTIFFs، JPEGs، یا دیگر امیجری فارمیٹس کو صارف کو دکھائے جانے والے موجودہ نقشہ کے منظر کی بنیاد پر واپس کیا جا سکتا ہے، جیسا کہ بہت بڑی فائل کے سائز اور اقسام کے برخلاف جو کارکردگی کو کم کرتی ہیں۔ ویب اور موبائل ایپلیکیشنز کے لیے درخواستوں کا انتظام کرنے کے لیے API گیٹ وے کے ساتھ Lambda فنکشنز کے ذریعے تعینات ٹائل سرور کو یکجا کر کے، کسان اور ان کے بھروسہ مند اسٹیک ہولڈرز کم تاخیر کے ساتھ، ایک ہی وقت میں ایک یا سینکڑوں فیلڈز سے تصویری اور جغرافیائی ڈیٹا استعمال کر سکتے ہیں، اور ایک بہترین صارف حاصل کر سکتے ہیں۔ تجربہ

SageMaker جغرافیائی صلاحیتوں تک ایک بدیہی یوزر انٹرفیس کے ذریعے رسائی حاصل کی جا سکتی ہے جو آپ کو جغرافیائی اعداد و شمار کے بھرپور کیٹلاگ تک آسان رسائی حاصل کرنے، ڈیٹا کو تبدیل کرنے اور ان کی افزودگی کرنے، مقصد سازی کے ماڈلز کو تربیت دینے یا استعمال کرنے، پیشین گوئیوں کے لیے ماڈلز کی تعیناتی، اور ڈیٹا کو دیکھنے اور دریافت کرنے کے قابل بناتا ہے۔ مربوط نقشے اور سیٹلائٹ امیجز۔ SageMaker جغرافیائی صارف کے تجربے کے بارے میں مزید پڑھنے کے لیے، رجوع کریں۔ کس طرح Xarvio نے Amazon SageMaker جغرافیائی صلاحیتوں کے ساتھ ڈیجیٹل فارمنگ کے لیے مقامی ڈیٹا کی پائپ لائنوں کو تیز کیا.

زرعی ڈیٹا پلیٹ فارم پیمانے پر ڈیٹا اور بصیرت کی کئی پرتیں فراہم کرتے ہیں۔

مندرجہ ذیل مثال یوزر انٹرفیس سے پتہ چلتا ہے کہ کس طرح زرعی ڈیٹا پلیٹ فارم بنانے والا SageMaker جغرافیائی صلاحیتوں کے ذریعے فراہم کردہ بصیرت کو یکجا کر سکتا ہے۔

یہ مثال یوزر انٹرفیس کسانوں اور زرعی اسٹیک ہولڈرز کے ذریعے استعمال کیے جانے والے عام جغرافیائی اعداد و شمار کو ظاہر کرتا ہے۔ یہاں، صارف نے تین الگ الگ ڈیٹا اوورلیز کا انتخاب کیا ہے۔ سب سے پہلے، بنیادی سینٹینیل-2 قدرتی رنگین سیٹلائٹ تصویر اکتوبر 2020 سے لی گئی، اور مربوط SageMaker جغرافیائی ڈیٹا کیٹلاگ کے ذریعے دستیاب کرائی گئی۔ اس تصویر کو SageMaker geospatial pre-trained ماڈل کا استعمال کرتے ہوئے فلٹر کیا گیا تھا جو کلاؤڈ کور کی شناخت کرتا ہے۔ دوسرا ڈیٹا اوورلے فیلڈ باؤنڈریز کا ایک سیٹ ہے، جسے سفید خاکہ کے ساتھ دکھایا گیا ہے۔ فیلڈ باؤنڈری عام طور پر عرض البلد اور طول البلد کوآرڈینیٹ کا کثیرالاضلاع ہوتا ہے جو کھیت کے کھیت کی قدرتی ٹپوگرافی، یا فصل کے منصوبوں کے درمیان فرق کرنے والی آپریشنل باؤنڈری کی عکاسی کرتا ہے۔ تیسرا ڈیٹا اوورلے نارملائزڈ ڈفرنس ویجیٹیشن انڈیکس (NDVI) کی شکل میں امیجری ڈیٹا پر کارروائی کرتا ہے۔ مزید، NDVI کی تصویر متعلقہ فیلڈ باؤنڈری پر چڑھی ہوئی ہے، اور NDVI رنگ کی درجہ بندی کا چارٹ صفحہ کے بائیں جانب دکھایا گیا ہے۔

درج ذیل تصویر میں SageMaker کے پہلے سے تربیت یافتہ ماڈل کا استعمال کرتے ہوئے نتائج کو دکھایا گیا ہے جو کلاؤڈ کور کی شناخت کرتا ہے۔

اس تصویر میں، ماڈل سیٹلائٹ امیج کے اندر بادلوں کی شناخت کرتا ہے اور تصویر کے اندر ہر بادل پر پیلے رنگ کا ماسک لگاتا ہے۔ مزید امیج پروسیسنگ سے نقاب پوش پکسلز (کلاؤڈز) کو ہٹانے سے، بہاوی تجزیات اور مصنوعات نے درستگی کو بہتر بنایا ہے اور کسانوں اور ان کے قابل اعتماد مشیروں کو قدر فراہم کی ہے۔

کمزور سیلولر کوریج والے علاقوں میں، تاخیر کو کم کرنے سے صارف کا تجربہ بہتر ہوتا ہے۔

جغرافیائی ڈیٹا اور ریموٹ سینسنگ امیجری کا جائزہ لیتے وقت کم تاخیر کی ضرورت کو پورا کرنے کے لیے، آپ استعمال کر سکتے ہیں ایمیزون ایلسٹی کیچ لیمبڈا کے ذریعے کی گئی ٹائل کی درخواستوں سے بازیافت شدہ پروسیس شدہ تصاویر کو کیش کرنے کے لیے۔ درخواست کردہ امیجری کو کیش میموری میں اسٹور کرنے سے، تاخیر مزید کم ہوجاتی ہے اور امیجری کی درخواستوں پر دوبارہ کارروائی کرنے کی ضرورت نہیں ہے۔ یہ ایپلیکیشن کی کارکردگی کو بہتر بنا سکتا ہے اور ڈیٹا بیس پر دباؤ کو کم کر سکتا ہے۔ کیونکہ ایمیزون ایلسٹی کیچ کیشنگ حکمت عملیوں، کراس ریجن ریپلیکیشن، اور آٹو اسکیلنگ کے لیے بہت سے کنفیگریشن آپشنز کو سپورٹ کرتا ہے، زرعی ڈیٹا پلیٹ فارم فراہم کرنے والے درخواست کی ضروریات کی بنیاد پر تیزی سے اسکیل کر سکتے ہیں، اور صرف ضرورت کے لیے ادائیگی کرکے لاگت کی کارکردگی کو حاصل کرنا جاری رکھ سکتے ہیں۔

نتیجہ

اس پوسٹ میں جغرافیائی ڈیٹا پروسیسنگ، ML- فعال ریموٹ سینسنگ بصیرت کو نافذ کرنے، اور AWS پر زرعی ڈیٹا پلیٹ فارمز کی ترقی اور اضافہ کو ہموار اور آسان بنانے کے طریقوں پر توجہ مرکوز کی گئی ہے۔ اس نے کئی طریقوں اور خدمات کی مثال دی ہے جنہیں AWS سروسز پر زرعی ڈیٹا پلیٹ فارم بنانے والے اپنے مقاصد حاصل کرنے کے لیے استعمال کر سکتے ہیں، بشمول SageMaker، Lambda، Amazon S3، Open Data Exchange، اور ElastiCache۔

ایک اینڈ ٹو اینڈ مثال نوٹ بک کی پیروی کرنے کے لیے جو SageMaker جغرافیائی صلاحیتوں کو ظاہر کرتی ہے، درج ذیل میں دستیاب مثال نوٹ بک تک رسائی حاصل کریں۔ GitHub ذخیرہ. آپ اس بات کا جائزہ لے سکتے ہیں کہ ایم ایل سیگمنٹیشن ماڈلز کے ذریعے زرعی کھیتوں کی شناخت کیسے کی جائے، یا پہلے سے موجود سیج میکر جیو اسپیشل ماڈلز کو دریافت کریں اور جغرافیائی کاموں جیسے کہ زمین کے استعمال اور زمین کے احاطہ کی درجہ بندی پر اپنا ماڈل (BYOM) لایا جائے۔ آخر سے آخر تک مثال نوٹ بک پر ساتھی پوسٹ میں تفصیل سے بحث کی گئی ہے۔ کس طرح Xarvio نے Amazon SageMaker Geospatial کے ساتھ ڈیجیٹل فارمنگ کے لیے مقامی ڈیٹا کی پائپ لائنوں کو تیز کیا.

براہ کرم ہم سے رابطہ کریں اس بارے میں مزید جاننے کے لیے کہ زرعی صنعت کس طرح AWS کلاؤڈ کا استعمال کرتے ہوئے عالمی خوراک کی فراہمی، ٹریس ایبلٹی، اور پائیداری کے اقدامات سے متعلق اہم مسائل کو حل کر رہی ہے۔

---

مصنفین کے بارے میں

کانراڈ کریں گے AWS میں زراعت کی صنعت کے حل کے سربراہ ہیں۔ وہ کسانوں کی روزی روٹی، زراعت کے ماحولیاتی اثرات، اور کھانا کھانے والے لوگوں کے لیے صارفین کے تجربے کو بہتر بنانے کے لیے ٹیکنالوجی کے استعمال میں صارفین کی مدد کرنے کے لیے پرجوش ہے۔ اپنے فارغ وقت میں، وہ چیزیں ٹھیک کرتا ہے، گولف کھیلتا ہے، اور اپنے چار بچوں سے آرڈر لیتا ہے۔

بشیش ادھیکاری AWS پروٹو ٹائپنگ ٹیم میں مشین لرننگ پروٹو ٹائپنگ آرکیٹیکٹ ہے۔ وہ AWS صارفین کے ساتھ کام کرتا ہے تاکہ وہ پیداوار کے سفر کو تیز کرنے کے لیے مختلف AI اور مشین لرننگ کے استعمال کے معاملات پر حل تیار کرے۔ اپنے فارغ وقت میں، وہ پیدل سفر، سفر، اور خاندان اور دوستوں کے ساتھ وقت گزارنے سے لطف اندوز ہوتا ہے۔

پرینکا مہانکالی۔ AWS میں 5 سال سے زائد عرصے سے ایک گائیڈنس سلوشنز آرکیٹیکٹ ہے جس میں عالمی زراعت کے صارفین کے لیے ٹیکنالوجی سمیت کراس انڈسٹری سلوشنز کی تعمیر ہے۔ وہ جدید ترین استعمال کے معاملات کو سامنے لانے اور صارفین کو AWS پر اسٹریٹجک حل تیار کرنے میں مدد کرنے کے بارے میں پرجوش ہے۔

رون اوسبورن AWS گلوبل ٹیکنالوجی لیڈ فار ایگریکلچر - WWSO اور ایک سینئر حل آرکیٹیکٹ ہے۔ Ron AWS زرعی کاروبار کے صارفین اور شراکت داروں کو محفوظ، توسیع پذیر، لچکدار، لچکدار، اور لاگت سے موثر حل تیار کرنے اور تعینات کرنے میں مدد کرنے پر مرکوز ہے۔ Ron ایک کاسمولوجی کا شوقین ہے، AG-tech کے اندر ایک قائم کردہ اختراع کار ہے، اور کاروباری تبدیلی اور پائیدار کامیابی کے لیے گاہکوں اور شراکت داروں کو پوزیشن دینے کے لیے پرجوش ہے۔